论文部分内容阅读
叶绿素含量和叶面积指数是表征作物氮营养状况和长势的重要生理化参量。传统的方法测定作物生理化信息存在耗时长、难以在大田尺度上进行的缺陷。面对与日俱增的人口压力、粮食压力、环境压力,实现田间精准化管理,对于解决环境问题和粮食优产问题极具现实意义。随着低空遥感技术研究的不断深入,使实时快速、精确无损监测作物营养状况和长势情况成为可能。本文旨在研究利用微小型无人机遥感平台获取大田水稻作物氮素营养和长势信息以替代传统人工采集信息方法的可行性,进而为农作物生产、管理、监测提供技术支持。于2016年8月8号-20号之间,在方正县水稻种植基地进行了固定翼无人机飞行试验,获取了四个粳稻种植园区的高清数码影像和多光谱影像,并在德善水稻种植园区内进行地面实测相对叶绿素值(SPAD)和叶面积指数(LAI)数据采集工作。通过分析影像特征值与地面样本区域实测值的关系,构建了东北优质粳稻冠层叶绿素SPAD和LAI值的反演模型。主要的研究内容如下:(1)东北粳稻冠层氮素分级。为初步了解研究区内粳稻长势情况,基于植被覆盖指数(NDVI)对方正水稻研究院周边地块进行估测氮素分级(N0-N5),利用聚类分类(ISODATA)和支持向量机分类(SVM)对获取到的真彩色影像、多光谱影像和HSV影像进行氮素分级,分类效果最好的是基于RGB影像的SVM分类,分类精度为92.60%,Kappa系数为0.8811。结果表明,基于无人机低空遥感影像进行冠层氮素情况分类,可精确获取粳稻的氮营养情况。(2)大田粳稻叶绿素含量反演模型的构建。首先构建了6种光谱光谱指数,通过构建经验模型对光谱指数和实测粳稻SPAD值进行相关性分析,筛选出可敏感表示叶绿素含量变化的类红边位置指数(s-REP)。基于最小二乘支持向量机算法(LS-SVR)构建了大田粳稻的叶绿素SPAD值反演模型,模型决定系数R2和预测决定系数P-R2分别为0.8976和0.8327,利用此模型对德善水稻种植园区进行叶绿素遥感填图,其拟合模型的R2和模型均方根误差(RMSE)分别为0.802和3.907。结果表明,基于光谱指数s-REP的LS-SVR模型可用于快速获取大田粳稻叶绿素含量信息。(3)大田粳稻LAI值反演模型的构建。通过构建经验模型,分析所构建的6种光谱指数与大田粳稻冠层LAI的相关性,筛选出NDVI指数适用于大田粳稻抽穗~灌浆期的LAI反演,并由此构建大田粳稻冠层LAI的LS_SVR估测模型,其模型决定系数R2和预测决定系数P-R2分别为0.6327和0.6014,RMSE分别为0.5855和0.7719。利用NDVI反演模型实现了德善水稻种植园区的粳稻抽穗~灌浆期的LAI反演填图,其拟合模型的R2和RMSE分别为0.5868和0.7803,较为精确的实现了水稻LAI的估测。